Comunidades de Aprendizaje: una apuesta por la educación del futuro
Notice bibliographique
Résumé
Las comunidades de aprendizaje llevan funcionando en nuestro país desde 1978. La comunidad científica internacional apuesta por estos métodos de enseñanza, porque se ha demostrado que aumentan el rendimiento de los alumnos y mejoran la convivencia en los centros. Es un proyecto donde toda la comunidad participa en la tarea de educar y se fundamenta en el aprendizaje dialógico, donde se valora la opinión de todos los participantes, y donde todos aprenden de todos. \nEn este trabajo conoceremos como funcionan las comunidades de aprendizaje, sus antecedentes y fundamentos, y cómo se han extendido por el país con la ayuda de CREA, Centro de investigación en Teorías y prácticas Superadoras de desigualdades. Después averiguaremos cuales son las fases necesarias para que un centro convencional se transforme en comunidad de aprendizaje, y cómo se implican los familiares y voluntarios en las clases de matemáticas. Mediante una encuesta a una muestra de población española, sabremos cuánta gente conoce o ha oído hablar de las comunidades de aprendizaje. Veremos que hay muy pocas comunidades de aprendizaje en toda la geografía española, y sabremos en cuáles de ellas se puede estudiar Secundaria. Después contactaremos con ellas para conocer algunas cuestiones interesantes sobre estos centros. Con todos los datos obtenidos y lo que hemos aprendido, haremos una propuesta práctica de cómo podrían ser las clases de matemáticas de 4º de la ESO para una comunidad de aprendizaje.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,009 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,007 | 0,010 |
| Communication savante | 0,011 | 0,010 |
| Science ouverte | 0,002 | 0,007 |
| Intégrité de la recherche | 0,004 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».